<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[码农三叔]]></title><description><![CDATA[人到中年，突然想学习编程，是不是疯了！@]]></description><link>https://blog.youkuaiyun.com/asd343442</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; asd343442]]></copyright><item><title><![CDATA[告别碎片化MCP学习！《图解MCP》从协议原理、Agent协同到商业项目全栈落地]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/162972279</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/162972279</guid><author>asd343442</author><pubDate>Fri, 17 Jul 2026 16:06:19 +0800</pubDate><description><![CDATA[《图解MCP：从协议解析到商业实践》是一本系统讲解AI模型交互标准MCP协议的全栈开发指南。本书针对当前AI开发中模型接口混乱、多工具协同困难等痛点，通过图解+实战方式详解MCP协议的底层架构、规范标准和商业落地。内容涵盖基础理论、双语言开发、AIAgent赋能、多模型协同等10大模块，重点包含智能编程助手和多智能体系统两大企业级项目实战。该书以Python/TypeScript双语言适配、全场景源码示例和独家商业案例为特色，帮助开发者掌握这一AI标准化交互的核心技术，适合AI工程师、后端开发者及技术研究人]]></description><category></category></item><item><title><![CDATA[告别碎片化学习！《具身智能机器人开发全解》从理论到工程落地全栈实战指南]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/162971964</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/162971964</guid><author>asd343442</author><pubDate>Fri, 17 Jul 2026 15:55:14 +0800</pubDate><description><![CDATA[《具身智能机器人开发全解》是一本面向AI与机器人领域的实战指南，针对当前开发者面临的理论与实践脱节、系统集成能力不足等痛点，提供从感知到行动的全栈解决方案。全书以9大技术模块为核心，涵盖ROS2工具链、视觉感知、多传感器融合、SLAM建图、智能决策、运动控制等关键技术，每个知识点均配有仿真实战项目（如YOLO检测系统、多机协同作业等），并融合大模型、强化学习等前沿技术。通过&quot;理论+代码+硬件落地&quot;的三维教学模式，帮助读者构建完整的具身智能开发体系，适合学生、科研人员及工程师快速提升工程化]]></description><category></category></item><item><title><![CDATA[(9-2-03）SDF 文件（3）]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156981272</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156981272</guid><author>asd343442</author><pubDate>Thu, 15 Jan 2026 10:43:34 +0800</pubDate><description><![CDATA[本文介绍了基于SDF(Simulation Description Format)文件的机器人路径规划系统。SDF文件采用XML格式描述仿真环境中的障碍物信息，通过SDFReader类解析文件获取障碍物位置和半径。系统实现了RRT、RRT和RRT-FN三种路径规划算法，在200×200的地图上进行测试。主程序从SDF文件读取障碍物信息后，随机生成起点和终点，使用不同算法规划路径并可视化展示。实验结果表明，该系统能有效处理仿真环境中的路径规划问题，通过Matplotlib直观展示算法效果。]]></description><category></category></item><item><title><![CDATA[(9-2-02）SDF 文件(2)]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156981061</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156981061</guid><author>asd343442</author><pubDate>Thu, 15 Jan 2026 10:41:11 +0800</pubDate><description><![CDATA[本文实现了三种基于RRT的路径规划算法：RRT、RRT和RRT-FN。算法通过随机采样构建树结构探索可行路径，其中RRT和RRT-FN通过优化树结构改进路径质量。主要功能包括：1) 实现节点生成、最近邻搜索和路径优化；2) 提供可视化功能展示算法执行过程；3) 支持动态障碍物处理和路径重连；4) 引入KD树加速搜索过程。RRT*-FN算法通过强制节点删除机制控制树规模，在保证路径质量的同时提高计算效率。算法测试表明，这些方法能有效解决复杂环境中的路径规划问题，其中RRT*系列算法在路径优化方面表现更优。]]></description><category></category></item><item><title><![CDATA[(9-2-01）SDF 文件（1）]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156941135</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156941135</guid><author>asd343442</author><pubDate>Wed, 14 Jan 2026 11:00:44 +0800</pubDate><description><![CDATA[本项目基于Gazebo仿真环境开发了一个路径规划系统，实现了RRT、RRT和RRT-FN等算法。系统通过Python编程，利用Matplotlib进行可视化展示，能够读取SDF文件获取地图信息。项目重点介绍了RRT*-FN算法的改进特性，包括基于树结构的探索、路径优化和自适应参数调整等功能。系统构建了地图模块，包含直线、图和地图三个核心类，支持障碍物检测、碰撞检测等功能，为自动驾驶和机器人导航提供了高效的路径规划解决方案。通过仿真环境验证了算法在复杂场景中的性能表现。]]></description><category></category></item><item><title><![CDATA[(9-1-02）自动驾驶中基于概率采样的路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156940889</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156940889</guid><author>asd343442</author><pubDate>Wed, 14 Jan 2026 10:58:27 +0800</pubDate><description><![CDATA[RRT_Connect和RRT算法是两种改进的RRT路径规划方法。RRT_Connect通过双向生长树(起点和终点同时扩展)提高搜索效率，避免局部最优。RRT则在扩展过程中优化路径代价，保证渐进最优性。两种算法都包含节点定义、距离计算、随机采样、碰撞检测等核心模块，并通过可视化展示路径规划过程。RRT_Connect适合快速找到可行路径，RRT*则能生成更优路径，均广泛应用于机器人运动规划等领域。文中提供了两种算法的Python实现代码，包括节点扩展、连接检测和路径回溯等关键步骤。]]></description><category></category></item><item><title><![CDATA[(9-1-01）自动驾驶中基于概率采样的路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156892621</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156892621</guid><author>asd343442</author><pubDate>Tue, 13 Jan 2026 11:00:24 +0800</pubDate><description><![CDATA[摘要：本文介绍了RRT（快速扩展随机树）算法及其改进版本在路径规划中的应用。RRT算法通过随机采样和树扩展的方式在复杂环境中寻找可行路径，适用于机器人、自动驾驶等领域。文章详细阐述了原始RRT算法的实现步骤，包括初始化、采样、最近邻搜索、扩展和目标检测等过程。同时介绍了基于概率P的RRT改进算法，该算法通过概率因素引导树的生长方向，提高搜索效率。文中提供了两个Python实现案例：原始RRT算法和基于概率P的RRT算法，并展示了路径规划结果的可视化效果。这些算法虽然存在路径次优等局限性，但在高维空间路径规划]]></description><category></category></item><item><title><![CDATA[（8-3-02）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156892335</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156892335</guid><author>asd343442</author><pubDate>Tue, 13 Jan 2026 10:56:01 +0800</pubDate><description><![CDATA[本文介绍了D*Lite路径规划算法的实现与可视化。该算法通过d_star_lite.py文件实现了关键功能，包括路径计算、动态障碍物更新和实时路径优化。算法核心包含8个函数：计算优先级(topKey)、启发式估计(heuristic_from_s)、关键值计算(calculateKey)、节点更新(updateVertex)、最短路径计算(computeShortestPath)、下一节点选择(nextInShortestPath)、障碍物检测(scanForObstacles)和移动重扫描(moveAnd]]></description><category></category></item><item><title><![CDATA[（8-3-01）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156850413</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156850413</guid><author>asd343442</author><pubDate>Mon, 12 Jan 2026 09:49:44 +0800</pubDate><description><![CDATA[本项目基于DLite算法开发了一个交互式路径规划系统，通过Pygame实现了网格世界的可视化环境。系统包含四大功能模块：网格环境创建模块支持自定义起点、终点和障碍物；路径规划模块实现DLite算法进行实时路径计算；交互控制模块允许用户通过键盘鼠标操作环境；可视化模块动态展示机器人移动和路径重规划过程。项目采用面向对象设计，通过Node和Graph类构建网格世界，支持4/8连通方式，并提供了路径规划过程的可视化分析工具，直观展示了动态环境下的路径规划原理与应用。]]></description><category></category></item><item><title><![CDATA[（8-2-02）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156850246</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156850246</guid><author>asd343442</author><pubDate>Mon, 12 Jan 2026 09:47:06 +0800</pubDate><description><![CDATA[本文介绍了一个基于A和DLite算法的路径规划可视化程序。程序通过Pygame实现了一个交互式界面，允许用户在网格上设置起点、终点和障碍物，并选择算法进行路径搜索。主要功能包括： 可视化网格系统：支持50x50网格，用户可通过鼠标放置/删除起点、终点和障碍物 两种算法实现：A算法用于静态环境，DLite算法支持动态障碍物更新 交互式操作：空格键启动算法，回车键执行下一步，&quot;c&quot;键重置网格 实时路径显示：算法执行过程中动态显示搜索过程和最终路径 程序采用面向对象设计，包含Grid、Spot]]></description><category></category></item><item><title><![CDATA[自动驾驶核心技能：这本Python路径规划书，让算法从“调用”到“掌控”]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156833985</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156833985</guid><author>asd343442</author><pubDate>Sun, 11 Jan 2026 19:37:51 +0800</pubDate><description><![CDATA[《Python路径规划与决策算法》是一本专注于自动驾驶路径规划技术的实战指南。该书系统讲解了从基础Dijkstra、A算法到高阶DLite、RRT等10大核心算法，通过&quot;原理拆解+Python实现+场景适配+优化技巧&quot;的全链路模式，帮助读者掌握自动驾驶路径规划的核心技术。书中包含15+个高仿真实战项目，覆盖城市道路、突发障碍物等典型场景，并兼容ROS、Gazebo等工具链，有效解决算法落地难题。本书特别适合Python开发者、自动驾驶从业者及高校师生，既能夯实算法基础，又能提升工程实践能]]></description><category></category></item><item><title><![CDATA[（8-2-01）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156833909</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156833909</guid><author>asd343442</author><pubDate>Sun, 11 Jan 2026 19:34:56 +0800</pubDate><description><![CDATA[本项目开发了一个基于Pygame的交互式路径规划器，实现了A和DLite两种算法。用户可通过GUI设置起点、终点和障碍物，实时观察路径规划过程。系统包含路径计算、障碍物扫描和动态更新等功能，通过曼哈顿距离计算节点代价，使用优先队列优化搜索过程。该工具既可用于算法教学演示，也可作为路径规划研究的实验平台，适用于物流、自动驾驶等领域。核心代码实现了节点状态更新、最短路径计算和动态障碍物处理等功能，提供了直观的算法可视化体验。]]></description><category></category></item><item><title><![CDATA[（8-1）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156833813</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156833813</guid><author>asd343442</author><pubDate>Sun, 11 Jan 2026 19:31:09 +0800</pubDate><description><![CDATA[本文介绍了DLite算法在动态环境路径规划中的应用。DLite是D*算法的改进版本，通过增量式路径更新和局部搜索实现在未知或部分已知环境中的高效路径规划。文章详细阐述了算法的核心思想、实现步骤，并通过迷宫路径探索案例展示了具体应用。案例中使用Pygame实现交互式路径规划器，包括节点定义、代价计算、障碍物地图生成等关键环节，最终可视化展示了起点到终点的最短路径。该算法在机器人导航、无人驾驶、物流仓储等领域具有重要应用价值。]]></description><category></category></item><item><title><![CDATA[（7-3）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156753727</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156753727</guid><author>asd343442</author><pubDate>Fri, 09 Jan 2026 10:39:24 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用Python实现D算法解决探险家路径规划问题的实战案例。通过map.py生成包含起点（红色）、终点（绿色）和障碍物的地图图像（my_map.png和my_map_newobs.png），然后利用dxing.py中的D算法实现动态路径规划。该算法能实时处理新发现的障碍物（标记为紫色），分别用蓝色路径表示初始规划路线，红色路径表示遇到新障碍后重新规划的路线。案例展示了D*算法在动态环境中寻找最优路径的能力，最终输出可视化结果图像my_map_result.png。]]></description><category></category></item><item><title><![CDATA[（7-2-02）自动驾驶中的动态环境路径重规划：实战案例：探索机器人的新家]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156753456</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156753456</guid><author>asd343442</author><pubDate>Fri, 09 Jan 2026 10:36:26 +0800</pubDate><description><![CDATA[摘要：本文介绍了一个基于D算法的机器人路径规划系统，用于在8x8网格地图中寻找从起点(S)到终点(E)的最短路径，同时避开障碍物(#)。系统通过初始化地图网格、定义开放列表和关闭列表，实现了首次搜索和动态路径规划功能。关键算法包括处理状态更新、邻居节点查找和路径优化。通过可视化函数draw_effect展示路径规划结果，系统能够适应动态环境变化（如障碍物位置改变）并重新规划最优路径。该实现展示了D算法在机器人路径规划中的有效应用，具有动态适应性和高效性特点。]]></description><category></category></item><item><title><![CDATA[（7-2-01）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156715241</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156715241</guid><author>asd343442</author><pubDate>Thu, 08 Jan 2026 10:36:19 +0800</pubDate><description><![CDATA[本文通过一个迷宫路径规划案例，详细介绍了D算法的实现过程。D算法是一种动态路径规划算法，适用于机器人或自动驾驶车辆在未知或动态变化环境中重新规划路径。文章首先定义了状态类和地图类，实现了迷宫环境的建模。然后重点讲解了D算法的核心流程，包括代价计算、状态更新和路径优化等关键步骤。通过Python代码实现了D算法，并使用Matplotlib库可视化展示了算法在静态和动态障碍物环境下的路径规划效果。案例结果表明，D*算法能够有效处理环境变化，实时更新最优路径。该实现为智能体在复杂环境中的导航提供了可靠解决方案。]]></description><category></category></item><item><title><![CDATA[（7-1）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156715171</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156715171</guid><author>asd343442</author><pubDate>Thu, 08 Jan 2026 10:31:22 +0800</pubDate><description><![CDATA[本文介绍了动态路径规划中的D算法，详细阐述了其发展背景、原理实现及与A算法的对比。D算法是A算法的改进版本，特别适用于动态环境下的路径规划问题。文章首先回顾了D算法的发展历程，从早期静态路径规划到适应动态环境的演进过程。然后重点讲解了D算法的核心原理，包括局部搜索、路径更新和环境变化处理机制，并详细说明了算法实现的七个关键步骤。最后通过对比分析，突出了D算法在动态环境中利用历史信息进行增量搜索的优势，以及其特有的k值机制和状态处理方法。文章还介绍了D算法中的常用概念和关键函数，为理解算法提供了完整框架。]]></description><category></category></item><item><title><![CDATA[（6-4）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156682263</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156682263</guid><author>asd343442</author><pubDate>Wed, 07 Jan 2026 12:02:14 +0800</pubDate><description><![CDATA[校内机器人配送系统是一个基于Floyd算法的校园导航项目，通过Python实现校园内任意两点间的最短路径查询和地点信息查询。系统包含16个校园地点节点，使用邻接矩阵存储路径信息，并实现了地点可视化、路径计算和用户交互功能。用户可通过命令行界面查询地点信息、获取最短路径（如&quot;图书馆到小礼堂最短距离40米&quot;）或查看校园路径图。项目采用Floyd-Warshall算法计算全源最短路径，并提供了图形化展示功能，有效提升了校园内的导航效率。系统核心代码约150行，涉及矩阵运算、路径回溯和Matpl]]></description><category></category></item><item><title><![CDATA[（6-3）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156682103</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156682103</guid><author>asd343442</author><pubDate>Wed, 07 Jan 2026 11:59:00 +0800</pubDate><description><![CDATA[本文介绍了Floyd算法的两种优化改进方法。首先提出空间优化方案，通过使用单个二维数组替代传统双矩阵存储，有效降低内存消耗50%。随后重点探讨并行化优化策略，包括任务并行化、数据并行化、GPU加速和分布式计算四种实现方式，并给出Python多线程并行化处理的具体实例。实例中通过将邻接矩阵分块处理，利用ThreadPoolExecutor实现并行计算，最后使用NetworkX和Matplotlib进行结果可视化。两种优化方法可单独或组合使用，显著提升算法执行效率并降低资源消耗，适用于不同计算环境和应用场景。]]></description><category></category></item><item><title><![CDATA[（6-2）Bellman-Ford路径规划]]></title><link>https://blog.youkuaiyun.com/asd343442/article/details/156640733</link><guid>https://blog.youkuaiyun.com/asd343442/article/details/156640733</guid><author>asd343442</author><pubDate>Tue, 06 Jan 2026 10:38:25 +0800</pubDate><description><![CDATA[Floyd算法是一种动态规划算法，用于求解图中所有节点对之间的最短路径。其核心思想是通过逐步引入中间节点来更新节点间的最短距离。算法实现步骤包括：初始化邻接矩阵，通过三重循环遍历所有节点组合，不断更新最短路径矩阵。算法时间复杂度为O(n³)，适用于权值非负的有向图或无向图。文中还提供了Python实现示例，通过可视化展示了算法计算过程和结果。该算法能够高效计算出任意两节点间的最短路径，并在矩阵中呈现最终结果。]]></description><category></category></item></channel></rss>